Pytorch的安裝

本篇在Tensorflow安裝的基礎上進行Pytorch的安裝示例，有關於Anaconda環境設定、Tensorflow版本安裝以及pip、conda命令的相關設定均在之前的部落格中詳細說明。
基於Anaconda環境的Tensorflow安裝

CPU版本

其實Pytorch的安裝與Tensorflow相比要複雜一些，與一般第三方庫以及Tensorflow的安裝僅需要pip install --相比，Pytorch的安裝命令更為複雜，但好在Pytorch的官網給出了官方下載命令，所以這也不是什麼大問題。我們首先進入Pytorch官網下載網頁Pytorch官方下載。
之後會有如下頁面：

在Pytorch Build一欄中Stable表示萬無一失的版本，很穩定，而Preview表示最新版本，可能會有bug，這裡建議選擇Stable版本。之後作業系統就根據自身情況來選擇，現在大多數小白應該都是在Windows環境下。在Package中雖然有pip和conda兩種主流選擇，但最終在命令列執行command時親測conda命令極其穩定，幾乎不會出現RunTimeError的問題。但採用pip命令時，即使已經更換到清華源，還是會存在RunTimeError的問題，因此推薦conda命令。
Language的話小白應該都是用Python進行機器學習方面的工作，況且都已經安裝Anaconda了，和C++以及Java都沒什麼關係了。
最後是CUDA的選擇，如果只是想簡單跑個例子，CPU版本就足夠了，這在之前的部落格中也提到了，這裡選擇None就可以。
這樣最後把得到的command在命令列直接鍵入即可，

與Tensorflow的安裝一樣，不需要特地新建環境，那樣雖然方便，但確實沒必要。

GPU版本

Pytorch的GPU版本其實與CPU版本的安裝一個道理，只是把下圖中的CUDA由None換為別的選項

這裡只要根據自己電腦所安裝的CUDA版本進行選擇即可，一般為10.1或10.2。
但這裡有一個問題，在之前的Tensorflow安裝中，我提到為了穩定選擇了CUDA10.0，而這裡沒有10.0的選項，為此再去下載一個CUDA10.1或10.2的版本同時配置相應版本的Cudnn當然也可以，但確實沒必要。因此我們可以看到下圖
這裡的install previous versions of PyTorch即為之前版本Pytorch的超連結之前版本

在這裡我們可以找到與CUDA10.0版本適配的PytorchGPU版本，雖然版本有些古老，但勝在穩定，同時Pytorch的語法函式體系與Tensorflow不同，他的每一版本語法幾乎沒有變化，相互相容度較高，因此老版本Pytorch是完全夠用的。
在之前Tensorflow安裝中採用的CUDA10.0以及Cudnn7.x的配置在Pytorch的GPU版本安裝中是完全夠用的，與CPU版本一樣，將得到的命令輸入至Windows命令列，即可安裝GPU版本Pytorch。
最後在Pytorch例項教程官方網站中即可對Pytorch進行較為系統的初步學習。
比如其中的Visualizing models，Data and Training with Tensorboard模組：

import matplotlib.pyplot as plt
import numpy as np

import torch
import torchvision
import torchvision.transforms as transforms

import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

# transforms
transform = transforms.Compose(
    [transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))])

# datasets
trainset = torchvision.datasets.FashionMNIST('./data',
    download=True,
    train=True,
    transform=transform)
testset = torchvision.datasets.FashionMNIST('./data',
    download=True,
    train=False,
    transform=transform)

# dataloaders
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                        shuffle=True, num_workers=2)


testloader = torch.utils.data.DataLoader(testset, batch_size=4,
                                        shuffle=False, num_workers=2)

# constant for classes
classes = ('T-shirt/top', 'Trouser', 'Pullover', 'Dress', 'Coat',
        'Sandal', 'Shirt', 'Sneaker', 'Bag', 'Ankle Boot')

# helper function to show an image
# (used in the `plot_classes_preds` function below)
def matplotlib_imshow(img, one_channel=False):
    if one_channel:
        img = img.mean(dim=0)
    img = img / 2 + 0.5     # unnormalize
    npimg = img.numpy()
    if one_channel:
        plt.imshow(npimg, cmap="Greys")
    else:
        plt.imshow(np.transpose(npimg, (1, 2, 0)))
        ...

以上僅代表個人觀點，如有錯誤還請各位大佬指正。
同時若有侵權，請及時聯絡本人處理。